CN116451177A - 一种航迹关联方法及装置 - Google Patents

一种航迹关联方法及装置 Download PDF

Info

Publication number
CN116451177A
CN116451177A CN202310710837.4A CN202310710837A CN116451177A CN 116451177 A CN116451177 A CN 116451177A CN 202310710837 A CN202310710837 A CN 202310710837A CN 116451177 A CN116451177 A CN 116451177A
Authority
CN
China
Prior art keywords
track
association
data
model
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310710837.4A
Other languages
English (en)
Other versions
CN116451177B (zh
Inventor
花福军
周正斌
王震
钟凯
周阳
赵奎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Creative Information Technology Co ltd
Original Assignee
Creative Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Creative Information Technology Co ltd filed Critical Creative Information Technology Co ltd
Priority to CN202310710837.4A priority Critical patent/CN116451177B/zh
Publication of CN116451177A publication Critical patent/CN116451177A/zh
Application granted granted Critical
Publication of CN116451177B publication Critical patent/CN116451177B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请公开了一种航迹关联方法及装置，属于航迹分析技术领域，方法包括获取待分析航迹数据集；将待分析航迹数据集输入预设航迹关联模型进行时空关联的航迹有效关联融合分析，获得初始航迹关联分析结果；依据预设衡量指标对初始航迹关联分析结果进行评估处理，获得最终的航迹有效关联结果。本申请通过预设航迹关联模型对多传感器采集的待分析航迹数据进行有效关联融合分析，提取出多航迹目标的时间和空间特征，完成对航迹目标的时空关联分析和目标分类。同时根据预设衡量指标对航迹关联分析结果进行评估，获得最终的航迹有效关联结果，实现了在多场景任务中多源航迹的有效关联，提高了对航迹数据信息的分析整合效率。

Description

一种航迹关联方法及装置
技术领域
本发明涉及航迹分析技术领域，尤其涉及一种航迹关联方法及装置。
背景技术
航迹关联，特指判断两个及两个以上传感器是否属于同一个目标的关联过程。数据关联的目的通俗来说就是在给定数据集中搜索重复关系数据，从而发现数据集之间的关联信息，去除数据重复关系是数据关联的一个重大目标。针对多源目标航迹目标，只有充分获得航迹关联信息才能对航迹目标更好的进行评估和判断。但是如何从多传感器数据中充分发现目标关联信息成为了航迹关联的一个重大难题。同时，关联分析作为数据挖掘研究的重要方向，旨在发现数据之间的关联，充分展现数据之间的潜在价值，研究数据关联技术具有十分重要的意义。
多源航迹关联旨在利用计算机算法对按照时间顺序得到的多个航迹数据目标遵循一定原则进行处理、分析、关联的过程，由于多传感器多目标环境限制，直接判断测量数据所属目标十分困难，以此针对从多个传感器中获得的航迹数据信息，行之有效的数据关联方法对航迹数据进行关联分析，不仅对整个多源航迹关联融合识别系统至关重要，还是后续作战意图识别的基础。
传统的航迹数据关联普遍依靠人工设定门阈，也就是采用灰度关联的方法，判断航迹数据是否超出人为设定阈值来判断设备是否发生了异常。随着航迹数据的倍增，航迹场景范围越来越大，航迹数据越来越复杂，航迹关联应用场景千变万化，依赖专业人员设置的阈值需要根据场景变化进行不断调整，采用人工设置关联阈值的方法费时费力，且时空关联分析较为困难。因此，行之有效的航迹关联技术已成为航迹关联系统的迫切需求。
发明内容
本发明的目的在于克服现有技术的不足，提供一种航迹关联方法及装置，有助于解决目前航迹数据关联分析方法存在时空关联分析较为困难，以及人为设置关联阈值费时费力的问题。
本发明的目的是通过以下技术方案来实现的：
第一方面，本申请提供一种航迹关联方法，包括：
采集多源航迹数据，并对多源航迹数据进行数据清洗、特征处理、数据补全和相似性度量处理，获取待分析航迹数据集；
构建CNN和Bilstm联合模型，并对所述联合模型进行训练，获得预设航迹关联模型；将所述待分析航迹数据集输入预设航迹关联模型进行时空关联的航迹有效关联融合分析，获得初始航迹关联分析结果；
依据预设衡量指标对初始航迹关联分析结果进行评估处理，获得最终的航迹有效关联结果；所述预设衡量指标包括：查准率P1、查全率P2、准确率P3和F1。
进一步地，所述采集多源航迹数据，并对多源航迹数据进行数据清洗、特征处理、数据补全和相似性度量处理，获取待分析航迹数据集，具体包括：
通过多个传感器获取多个待分析航迹目标的多源航迹数据；
对多源航迹数据进行数据清洗，获得第一处理结果；其中，所述数据清洗包括缺失值处理、冗余数据删除和航迹数据筛选中的至少一种；
对第一处理结果进行特征处理，获得第二处理结果；
采用数据补全算法对第二处理结果中多源航迹数据的缺失航迹段进行数据补全，获得第三处理结果；
基于L1范数对第三处理结果进行相似性度量处理，获得待分析航迹数据集。
进一步地，所述构建CNN和Bilstm联合模型，并对所述联合模型进行训练，获得预设航迹关联模型，包括：
获取多个传感器测得的多个航迹目标的航迹数据，构建目标航迹数据库，并对航迹数据进行数据预处理，获得已知航迹数据集并按照预设存储方式存储至目标航迹数据库；所述航迹数据集包括航迹训练集和航迹测试集；
构建CNN和Bilstm联合模型，并将航迹训练集输入所述联合模型，融合时间和空间序列进行航迹关联训练，训练完成获得初始航迹关联模型；
基于航迹测试集对初始航迹关联模型进行测试验证，计算初始航迹关联模型的航迹损失函数，并依据航迹损失函数的计算结果对初始航迹关联模型进行参数更新，获得预设航迹关联模型；所述航迹损失函数包括交叉熵损失函数、均方误差、平均绝对误差和均方误差根。
进一步地，所述预设衡量指标包括：查准率P1、查全率P2、准确率P3和F1，预设衡量指标的具体计算过程如下列公式所示：
查准率P1的计算公式为：
；
查全率P2的计算公式为：
；
准确率P3的计算公式为：
；
F1的计算公式为：
；
其中，TP表示初始航迹关联分析结果为关联，且实际航迹关联结果也为关联的航迹数据匹配条数；FP表示初始航迹关联分析结果为关联，但是实际航迹关联结果为不关联的航迹数据匹配条数；FN表示初始航迹关联分析结果为不关联，但是实际航迹关联结果为关联的航迹数据匹配条数；TN表示初始航迹关联分析结果为不关联，且实际航迹关联结果也为不关联的航迹数据匹配条数；ALL为表示初始航迹关联分析结果中的航迹数据匹配总条数。
进一步地，所述对第一处理结果进行特征处理，具体包括：
基于第一处理结果，对多源航迹数据进行编号拆分，将原有目标编号拆分并重新编排为航迹目标编号和来源传感器编号；根据重新编排后的目标编号和传感器编号重新设置标识码；所述航迹目标编号用于确立航迹目标；来源传感器编号用于将同一航迹目标的航迹数据划分为两种不同传感器得到的航迹数据。
进一步地，所述基于L1范数对第三处理结果进行相似性度量处理，具体包括：
基于第三处理结果，获取多源航迹数据中航迹段的经度与纬度特征点表达式；
按照多源航迹数据中航迹点的时间先后顺序，通过经度特征相似公式和纬度特征相似公式衡量各个航迹目标之间的相似性程度，获得最终的待分析航迹数据集；
所述经度特征相似公式为：
；
所述纬度特征相似性公式为：
；
其中，J表示航迹目标a与航迹目标b之间的经度特征相似程度；W表示航迹目标a与航迹目标b之间的纬度特征相似程度；a i表示航迹目标a的第i个航迹点的经度特征；bi表示航迹目标b的第i个航迹点的经度特征；ci表示航迹目标a的第i个航迹点的纬度特征；di表示航迹目标b的第i个航迹点的纬度特征；s表示航迹段中的航迹点个数。
进一步地，所述构建CNN和Bilstm联合模型，并将航迹训练集输入所述联合模型，融合时间和空间序列进行航迹关联训练，训练完成获得初始航迹关联模型，具体包括：
基于CNN-Bilstm算法构建CNN和Bilstm联合模型，并将航迹训练集中航迹数据输入所述联合模型；
利用联合模型对多个传感器测得的航迹数据进行距离估计，获得航迹数据方位距离估计值；
依据所述方位距离估计值，利用CNN网络提取不同航迹目标在空间上的航迹空间特征，并通过长短时记忆网络对不同航迹目标进行时间序列建模，获得不同航迹目标的航迹时间特征；
基于航迹空间特征和航迹时间特征，通过softmax函数进行打分，获得不同航迹目标之间的航迹关联训练结果；
根据航迹关联训练结果设计CNN-BiLSTM分类器，获得初始航迹关联模型。
进一步地，所述初始航迹关联模型包括输入层、隐藏层、输出层和CNN-BiLSTM分类器；
所述输入层包括卷积层；
所述隐藏层包括BiLSTM模型；
所述输出层包括全连接层和softmax函数；
所述卷积层通过ReLU激活函数与BiLSTM模型连接；所述BiLSTM模型与全连接层连接；所述全连接层通过ReLU激活函数与Softmax函数连接；
所述Softmax函数与CNN-BiLSTM分类器连接。
进一步地，所述预设存储方式具体包括：采用python字典，以key-value键值对形式对航迹数据集中的航迹数据进行存储；其中，key代表航迹目标，value代表存储所需的航迹目标特征。
第二方面，本申请提供一种航迹关联装置，包括：
数据采集单元，用于采集多源航迹数据，并对多源航迹数据进行数据清洗、特征处理、数据补全和相似性度量处理，获取待分析航迹数据集；
航迹关联分析单元，用于构建CNN和Bilstm联合模型，并对所述联合模型进行训练，获得预设航迹关联模型，以及将所述待分析航迹数据集输入预设航迹关联模型进行时空关联的航迹有效关联融合分析，获得初始航迹关联分析结果；
结果评估模块，用于依据预设衡量指标对初始航迹关联分析结果进行评估处理，获得最终的航迹有效关联结果。
本发明的有益效果：本发明提供了一种航迹关联方法，方法通过采集多源航迹数据，并对多源航迹数据进行数据清洗、特征处理、数据补全和相似性度量处理，获取待分析航迹数据集；构建CNN和Bilstm联合模型，并对所述联合模型进行训练，获得预设航迹关联模型，然后将待分析航迹数据集输入预设航迹关联模型进行时空关联的航迹有效关联融合分析，获得初始航迹关联分析结果；依据预设衡量指标对初始航迹关联分析结果进行评估处理，获得最终的航迹有效关联结果。本申请方案通过预设航迹关联模型对多传感器采集的待分析航迹数据进行有效关联融合分析，提取出多航迹目标的时间和空间特征，完成对航迹目标的时空关联分析和目标分类。同时根据预设衡量指标对航迹关联分析结果进行评估，获得最终的航迹有效关联结果，实现了在多场景任务中多源航迹的有效关联，提高了对航迹数据信息的分析整合效率。
附图说明
图1是本发明的航迹关联方法流程图；
图2是航迹数据集的处理流程图；
图3是航迹数据预处理详细流程处理图；
图4是航迹关联模型的训练和测试流程图；
图5是本发明的系统功能架构图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。
信息是主导态势估计并对准确获得战场全局概要信息多作战成功有着极其重要的作用。在现代战争中，获得行之有效的目标信息，有助于精准把握战场态势，识别敌方作战意图，达到控制战场态势的目的。
数据信息获取来源种类的多样化导致数据大规模不断扩大，传统的数据分析方式已经不再满足人们对现有海量数据统计的需求，也无法实现对现有海量数据价值信息的获取。在对海量数据进行管理、分析的过程中，为了更好的利用产生的大量数据，人们逐渐认识到深度学习和机器学习具有重要的研究价值，如何从海量数据中运用数据挖掘技术获取需要的信息逐渐成为了一项十分具有挑战的任务。
信息融合，属于人类对现实世界的认知领域，其根据认知不断发展、由浅入深的特点，对信息进行阶段性总结并产生对事物综合认识。信息融合旨在态势感知领域针对多源信息进行信息处理，从而及时、完整、连续、准确的获取态势视图，从而在作战空间达到相应意图获得与行为。由于信息融合依赖信息源对战场环境目标的侦查能力、感知通信网络的传输能力和信息融合自身的信息处理能力，因此在目标分辨能力、目标融合定位能力、监视和预警能力等方面具有重要的提升作用。因此，信息融合不仅是战场感知中需要采取的重要方法和技术，更是当下战场感知不可或缺的组成部分。
因此，本申请通过深入分析与行业用户相关的信息融合、航迹关联等领域内部业务文档与行业需求文档，通过 多传感器获取目标航迹信息，根据信息融合业务领域的应用需求，实现对航迹目标数据建模。提出了CNN-BiLSTM算法，通过获得航迹数据时空信息，实现了在多场景任务中多源航迹的有效关联。
参照图1所示，图1示出了一种航迹关联方法，方法包括：
S1：采集多源航迹数据，并对多源航迹数据进行数据清洗、特征处理、数据补全和相似性度量处理，获取待分析航迹数据集；
S2：构建CNN和Bilstm联合模型，并对所述联合模型进行训练，获得预设航迹关联模型；将所述待分析航迹数据集输入预设航迹关联模型进行时空关联的航迹有效关联融合分析，获得初始航迹关联分析结果；
S3：依据预设衡量指标对初始航迹关联分析结果进行评估处理，获得最终的航迹有效关联结果。其中，预设衡量指标包括：查准率P1、查全率P2、准确率P3和F1。
进一步地，在一个实施例中，采集多源航迹数据，并对多源航迹数据进行数据清洗、特征处理、数据补全和相似性度量处理，获取待分析航迹数据集，具体包括：
通过多个传感器获取多个待分析航迹目标的多源航迹数据；
对多源航迹数据进行数据清洗，获得第一处理结果；其中，数据清洗包括缺失值处理、冗余数据删除和航迹数据筛选中的至少一种。
对第一处理结果进行特征处理，获得第二处理结果，具体包括：
基于第一处理结果，对多源航迹数据进行编号拆分，将原有目标编号拆分并重新编排为航迹目标编号和来源传感器编号；根据重新编排后的目标编号和传感器编号重新设置标识码；航迹目标编号用于确立航迹目标；来源传感器编号用于将同一航迹目标的航迹数据划分为两种不同传感器得到的航迹数据。
采用数据补全算法对第二处理结果中多源航迹数据的缺失航迹段进行数据补全，获得第三处理结果；
基于L1范数对第三处理结果进行相似性度量处理，获得待分析航迹数据集。
进一步地，在一个实施例中，构建CNN和Bilstm联合模型，并对所述联合模型进行训练，获得预设航迹关联模型，包括：
获取多个传感器测得的多个航迹目标的航迹数据，构建目标航迹数据库，并对航迹数据进行数据预处理，获得已知航迹数据集并按照预设存储方式存储至目标航迹数据库；已知航迹数据集包括航迹训练集和航迹测试集。
通过多传感器取得的多源航迹状态信息数据是研究航迹关联的基石，所以需要对航迹数据做详细的研究。现有的多传感器能采集获得的船舶、飞机、舰艇等多场景的混合航迹数据，通过构建目标航迹数据库，研究利用智能方法实现航迹数据的高速整合和处理。通过航迹信息数据中心实时采集多源航迹数据提供目标的实时动态，研究如何快速、准确实现航迹目标融合和战术识别不仅有较高的工程实践价值，也对我国的国防安全建设具有重要的意义。
构建CNN和Bilstm联合模型，并将航迹训练集输入联合模型，融合时间和空间序列进行航迹关联训练，训练完成获得初始航迹关联模型。
基于航迹测试集对初始航迹关联模型进行测试验证，计算初始航迹关联模型的航迹损失函数，并依据航迹损失函数的计算结果对初始航迹关联模型进行参数更新，获得预设航迹关联模型。其中，航迹损失函数包括交叉熵损失函数、均方误差、平均绝对误差和均方误差根。
具体的，参照图2所示，本申请获取已知航迹数据集的处理过程与待分析航迹数据集相同，在数据预处理阶段，针对航迹数据中包含的目标数据量过于庞大问题，根据数据预处理流程，对航迹数据进行分析处理。根据实际场景应用，需要筛选恰当的航迹数据特征，航迹关联模型输入数据的基本特征主要包括Longitude（经度）、Latitude（纬度）、目标编号、Time（航迹点的获得时间）。在大量的航迹数据中，存在冗余数据问题，需要对冗余数据作必要的删减工作。由于实际场景下各种因素的影响，可能会存在一些航迹数据采集缺失的情况，需要对原始数据进行缺失值处理。由于研究对象的不同，航迹数据中可能存在单传感器测量得到的目标数据，需要数据筛选选择符合研究场景的数据。航迹数据筛选主要包括航迹数据采集、航迹数据清洗和航迹数据筛选一系列流程，通过这些流程能够有效提高后续模型应用时的准确性，航迹数据预处理方法如图3所示。
根据航迹场景任务的需要和存储要求，需要对数据预处理后得到的多源航迹数据进行相应的特征处理，主要改进方式是进行特征创造，主要的方法是将目标编号拆分重新编排为新的目标编号和来源传感器编号两个部分，新的目标编号主要用于确立目标，来源传感器编号主要是为了将同一目标航迹数据划分为两种不同传感器得到的航迹，例如，使用激光雷达传感器和毫米波雷达传感器采集同一目标航迹数据，分别对激光雷达传感器和毫米波雷达传感器采集的航迹进行来源传感器编号，以对航迹数据进行区分。同时根据重新编排后的目标编号和来源传感器编号重新设计标识码，方便检测人员查看目标来源。
由于监测航迹目标的雷达传感器是分开独立进行监测目标，所以对同一航迹目标测量点迹的位置信息不可能一致，会出现前后位置间隔较长的情况，考虑到传感器本身测量误差的影响，需要在航迹关联之前对航迹信息进行数据补全，将航迹目标数据融合到同样时间间隔。本申请通过内插外推法能够将高精度数据向低精度数据更新，从而将来自不同传感器测量得到的两段航迹段进行位置对准。内插外推法具体包括内插法和外插法，二者都用于产生估计值。在统计学中，前者（对超出已知观测范围进行预测）称为外推法（extrapolation）， 而后者（在现有观测值之间进行估计）称为内插法（interpolation）。因此，本申请可借鉴现有的内插法和外差法实现数据补全，具体过程本申请在此不再赘述。
由于航迹关联任务需要比较两个不同航迹段之间的相关程度，为了更好获取航迹关联效果，需要对航迹相似度进行度量。影响相似性度量的两个因素分别为经度、纬度。因此，在进行航迹相似性度量时，为了增强准确度，应充分考虑这些特征带来的影响。本申请按照获得点迹时间顺序，以同一目标在两个传感器下获得的位置信息特征为例，主要采用基于L1范数进行相似性度量。
首先，获取多源航迹数据中航迹段的经度与纬度特征点表达式，具体为：
设目标A航迹段的经度、纬度特征点表达式如式（1）所示：
(1)
设目标B航迹段的经度、纬度特征点表达式如式（2）所示：
(2)
其中s代表航迹段中航迹点个数。
然后，通过L1范数来衡量各个航迹目标之间的相似性程度，具体通过经度特征相似公式和纬度特征相似公式衡量各个航迹目标之间的相似性程度，获得最终的航迹数据集。其中，目标之间经度特征相似性公式如式（3）所示：
(3)
目标之间纬度特征相似性公式如式（4）所示：
(4)
其中，J表示航迹目标a与航迹目标b之间的经度特征相似程度；W表示表示航迹目标a与航迹目标b之间的纬度特征相似程度；a i表示航迹目标a的第i个航迹点的经度特征；bi表示航迹目标b的第i个航迹点的经度特征；ci表示航迹目标a的第i个航迹点的纬度特征；di表示航迹目标b的第i个航迹点的纬度特征；s表示航迹段中的航迹点个数。
航迹关联任务应用于多传感器多目标跟踪的各个过程中，以解决多传感器探测各个目标航迹数据之间关联匹配问题为目的，针对不同传感器对不同目标进行观测的过程中产生的多条航迹数据，需要确认那些目标是同一目标，哪些目标是不同目标。针对相同目标，需要给出它们对应的关联关系。
进一步地，在一个实施例中，预设衡量指标包括：查准率、查全率、准确率和F1。其中，F1评价指标是机器学习中应用最广泛的一种衡量模型效果的一种指标,它能够清楚地反映模型正确性和准确性。F1评价指标由精确率(precision)和召回率(recall)两个指标构成，它能够反映模型的两部分性能。本申请采用衡量关联算法计算出上述四个指标，进而评估衡量航迹关联效果。
具体的，采用衡量关联算法对查准率P1、查全率P2、准确率P3和F1的具体计算过程如下列公式所示：
查准率P1的计算公式为：
；
查全率P2的计算公式为：
；
准确率P3的计算公式为：
；
F1的计算公式为：
；
其中，TP表示初始航迹关联分析结果为关联，且实际航迹关联结果也为关联的航迹数据匹配条数；FP表示初始航迹关联分析结果为关联，但是实际航迹关联结果为不关联的航迹数据匹配条数；FN表示初始航迹关联分析结果为不关联，但是实际航迹关联结果为关联的航迹数据匹配条数；TN表示初始航迹关联分析结果为不关联，且实际航迹关联结果也为不关联的航迹数据匹配条数；ALL为表示初始航迹关联分析结果中的航迹数据匹配总条数。初始航迹关联分析结果包括航迹关联和航迹不关联两种结果。实际的航迹关联结果同样包括航迹关联和航迹不关联两种情况。通过比对初始航迹关联分析结果与实际的航迹关联结果的航迹数据的样本条数，进而计算出上述四个预设衡量指标来评估衡量航迹关联效果。
多源航迹数据信息在时间和空间上都存在着关联，因此在实际算法设计分析中需要综合考虑航迹数据时间和空间上的关联过程。本申请提出一种综合考虑时间和空间纬度信息的航迹关联算法，即CNN-BiLSTM算法，该方法先通过卷积神经网络（CNN）提取航迹空间特征，然后再通过双向长短时记忆网络（Bi-LSTM）对航迹数据进行时间序列建模，实践证明，这种特征提取结果能够更加全面获得航迹数据特征，提高航迹数据信息利用率，从而提升航迹数据关联效果。
进一步地，在一个实施例中，本申请通过构建CNN和Bilstm联合模型，并将航迹训练集输入联合模型，融合时间和空间序列进行航迹关联训练，训练完成获得初始航迹关联模型，具体包括：
基于CNN-Bilstm算法构建CNN和Bilstm联合模型，并将航迹训练集中航迹数据输入联合模型；
利用联合模型对多个传感器测得的航迹数据进行距离估计，获得航迹数据方位距离估计值；
依据方位距离估计值，利用CNN网络提取不同航迹目标在空间上的航迹空间特征，并通过长短时记忆网络对不同航迹目标进行时间序列建模，获得不同航迹目标的航迹时间特征；
基于航迹空间特征和航迹时间特征，通过softmax函数进行打分，获得不同航迹目标之间的航迹关联训练结果；
根据航迹关联训练结果设计CNN-BiLSTM分类器，获得初始航迹关联模型。
具体的，如图4所示，初始航迹关联模型包括输入层、隐藏层、输出层和CNN-BiLSTM分类器。其中，输入层包括卷积层；隐藏层包括BiLSTM模型；输出层包括全连接层和softmax函数；卷积层通过ReLU激活函数与BiLSTM模型连接；BiLSTM模型与全连接层连接；全连接层通过ReLU激活函数与Softmax函数连接；Softmax函数与CNN-BiLSTM分类器连接。
进一步地，预设存储方式具体包括：采用python字典，以key-value键值对形式对航迹数据集中的航迹数据进行存储；其中，key代表航迹目标，value代表存储所需的航迹目标特征。
本申请针对航迹关联实际应用中存在的时空关联困难、关联门域人为设置费时费力等问题，提出CNN-BiLSTM算法，结合深度学习中的卷积神经网络和长短时记忆网络，利用卷积神经网络的卷积层实现不同航迹目标空间上的航迹特征提取，并通过长短时记忆网络对不同航迹目标进行时间序列建模，最后通过梯度清零、向后传播和梯度更新对网络中的参数进行更新，使模型能够训练稳定，从而实现对航迹数据特征的智能化、效率化获取。实验证明，CNN-BiLSTM算法通过不断训练学习和分类器打分，能够实现目标航迹数据的关联，并且相较于工程原有算法，CNN-BiLSTM算法不需要人为调整门阈并且在小段航迹数据关联任务关联准确率大大提升。
具体实践过程中，用实际航迹数据进行研究时，首先需要对航迹数据进行预处理操作，采用python字典对航迹数据进行存储，key代表目标，value中存放所需的航迹目标特征，将混合航迹数据中的船舶航迹数据作为训练集，飞机飞行航迹数据作为测试集。利用训练集和测试集对航迹关联模型进行训练和测试的过程具体如下：
训练过程：将训练集的航迹数据输入混合神经网络模型中，通过对多传感器所测得数据特征之间的距离估计，得到航迹数据方位距离估计值，再通过CNN和Bi-LSTM分别对航迹数据进行时间和空间纬度的特征提取，然后通过softmax函数进行打分，最终获取能够解决船舶航迹关联难题的网络模型，并根据提取特征结果设计分类器，统计分类结果，分析关联效果。
测试过程：针对传统航迹关联需要人为设置门阈导致关联效果易受航迹环境影响，调整门阈费时费力等问题，采用与训练集完全不同环境的航迹数据即飞机航迹数据进行测试，采用与训练集同样的方法对飞机航迹数据进行存储，通过CNN-BiLSTM分类器对航迹数据进行特征分析训练，最终获得航迹关联的结果，根据航迹关联效果来验证所设计模型在实际应用中的性能。
在空间序列建模方面，卷积神经网络的每一层都具有其实现功能，根据实际需求，并不是每一层网络都被需要，并且在训练过程中，卷积神经网络的各个参数都需要进行一定的调试，最终使得卷积神经网络能够有效处理多源航迹关联问题。
在计算机视觉领域，二维卷积神经网络（2D-CNN）通过对每一帧的图像分别利用CNN来进行识别，有效的考虑数据的空间位置信息，针对一个shape为的图像，使用/>的卷积核进行卷积操作，再通过激活函数进行激活。其中，激活函数主要采用ReLU激活函数，具体为：
(5)
其中，代表经过卷积核卷积后得到数据。
在时间序列建模方面，Bi-LSTM网络在时间序列提取层面具有良好的优势。相较于RNN网络，Bi-LSTM网络能够对数据进行选择性“记忆存储”，相较于LSTM模型，Bi-LSTM即使用到了“上文”的信息，又考虑到了传感器获得的航迹信息的完整性，即又考虑到了“下文”的信息。在训练过程中，Bi-LSTM模型也需要对各个参数进行设置。
在Bi-LSTM模型中，对于上一步经过卷积层的输出数据，通过双向长短期神经记忆网络对两个输出量进行计算处理，具体公式为：
(6)
其中，对于t时刻的输出数据，通过向后LSTM输出序列中t时刻以及之后的信息，即向后输出量，通过向前LSTM输入序列中t时刻以及之前的信息，即向前输出量。最后通过h i 实现对两个输出量进行计算处理。
参照图5所示，在一个实施例中，本申请提供一种航迹关联装置，包括：
数据采集单元，用于采集多源航迹数据，并对多源航迹数据进行数据清洗、特征处理、数据补全和相似性度量处理，获取待分析航迹数据集；
航迹关联分析单元，用于构建CNN和Bilstm联合模型，并对所述联合模型进行训练，获得预设航迹关联模型，以及将所述待分析航迹数据集输入预设航迹关联模型进行时空关联的航迹有效关联融合分析，获得初始航迹关联分析结果；
结果评估模块，用于依据预设衡量指标对初始航迹关联分析结果进行评估处理，获得最终的航迹有效关联结果。
本申请方案通过预设航迹关联模型对多传感器采集的待分析航迹数据进行有效关联融合分析，提取出多航迹目标的时间和空间特征，完成对航迹目标的时空关联分析和目标分类。同时根据预设衡量指标对航迹关联分析结果进行评估，获得最终的航迹有效关联结果，实现了在多场景任务中多源航迹的有效关联，提高了对航迹数据信息的分析整合效率。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种航迹关联方法，其特征在于，包括：
采集多源航迹数据，并对多源航迹数据进行数据清洗、特征处理、数据补全和相似性度量处理，获取待分析航迹数据集；
构建CNN和Bilstm联合模型，并对所述联合模型进行训练，获得预设航迹关联模型；将所述待分析航迹数据集输入预设航迹关联模型进行时空关联的航迹有效关联融合分析，获得初始航迹关联分析结果；
依据预设衡量指标对初始航迹关联分析结果进行评估处理，获得最终的航迹有效关联结果；所述预设衡量指标包括：查准率P1、查全率P2、准确率P3和F1。
2.根据权利要求1所述的航迹关联方法，其特征在于，所述采集多源航迹数据，并对多源航迹数据进行数据清洗、特征处理、数据补全和相似性度量处理，获取待分析航迹数据集，具体包括：
通过多个传感器获取多个待分析航迹目标的多源航迹数据；
对多源航迹数据进行数据清洗，获得第一处理结果；其中，所述数据清洗包括缺失值处理、冗余数据删除和航迹数据筛选中的至少一种；
对第一处理结果进行特征处理，获得第二处理结果；
采用数据补全算法对第二处理结果中多源航迹数据的缺失航迹段进行数据补全，获得第三处理结果；
基于L1范数对第三处理结果进行相似性度量处理，获得待分析航迹数据集。
3.根据权利要求1所述的航迹关联方法，其特征在于，所述构建CNN和Bilstm联合模型，并对所述联合模型进行训练，获得预设航迹关联模型，包括：
获取多个传感器测得的多个航迹目标的航迹数据，构建目标航迹数据库，并对航迹数据进行数据预处理，获得已知航迹数据集并按照预设存储方式存储至目标航迹数据库；所述航迹数据集包括航迹训练集和航迹测试集；
构建CNN和Bilstm联合模型，并将航迹训练集输入所述联合模型，融合时间和空间序列进行航迹关联训练，训练完成获得初始航迹关联模型；
基于航迹测试集对初始航迹关联模型进行测试验证，计算初始航迹关联模型的航迹损失函数，并依据航迹损失函数的计算结果对初始航迹关联模型进行参数更新，获得预设航迹关联模型；所述航迹损失函数包括交叉熵损失函数、均方误差、平均绝对误差和均方误差根。
4.根据权利要求1所述的航迹关联方法，其特征在于，所述预设衡量指标包括：查准率P1、查全率P2、准确率P3和F1，预设衡量指标的具体计算过程如下列公式所示：
查准率P1的计算公式为：
；
查全率P2的计算公式为：
；
准确率P3的计算公式为：
；
F1的计算公式为：
；
其中，TP表示初始航迹关联分析结果为关联，且实际航迹关联结果也为关联的航迹数据匹配条数；FP表示初始航迹关联分析结果为关联，但是实际航迹关联结果为不关联的航迹数据匹配条数；FN表示初始航迹关联分析结果为不关联，但是实际航迹关联结果为关联的航迹数据匹配条数；TN表示初始航迹关联分析结果为不关联，且实际航迹关联结果也为不关联的航迹数据匹配条数；ALL为表示初始航迹关联分析结果中的航迹数据匹配总条数。
5.根据权利要求2所述的航迹关联方法，其特征在于，所述对第一处理结果进行特征处理，具体包括：
基于第一处理结果，对多源航迹数据进行编号拆分，将原有目标编号拆分并重新编排为航迹目标编号和来源传感器编号；根据重新编排后的目标编号和传感器编号重新设置标识码；所述航迹目标编号用于确立航迹目标；来源传感器编号用于将同一航迹目标的航迹数据划分为两种不同传感器得到的航迹数据。
6.根据权利要求2所述的航迹关联方法，其特征在于，所述基于L1范数对第三处理结果进行相似性度量处理，具体包括：
基于第三处理结果，获取多源航迹数据中航迹段的经度与纬度特征点表达式；
按照多源航迹数据中航迹点的时间先后顺序，通过经度特征相似公式和纬度特征相似公式衡量各个航迹目标之间的相似性程度，获得最终的待分析航迹数据集；
所述经度特征相似公式为：
；
所述纬度特征相似性公式为：
；
其中，J表示航迹目标a与航迹目标b之间的经度特征相似程度；W表示表示航迹目标a与航迹目标b之间的纬度特征相似程度；a i表示航迹目标a的第i个航迹点的经度特征；bi表示航迹目标b的第i个航迹点的经度特征；ci表示航迹目标a的第i个航迹点的纬度特征；di表示航迹目标b的第i个航迹点的纬度特征；s表示航迹段中的航迹点个数。
7.根据权利要求3所述的航迹关联方法，其特征在于，所述构建CNN和Bilstm联合模型，并将航迹训练集输入所述联合模型，融合时间和空间序列进行航迹关联训练，训练完成获得初始航迹关联模型，具体包括：
基于CNN-Bilstm算法构建CNN和Bilstm联合模型，并将航迹训练集中航迹数据输入所述联合模型；
利用联合模型对多个传感器测得的航迹数据进行距离估计，获得航迹数据方位距离估计值；
依据所述方位距离估计值，利用CNN网络提取不同航迹目标在空间上的航迹空间特征，并通过长短时记忆网络对不同航迹目标进行时间序列建模，获得不同航迹目标的航迹时间特征；
基于航迹空间特征和航迹时间特征，通过softmax函数进行打分，获得不同航迹目标之间的航迹关联训练结果；
根据航迹关联训练结果设计CNN-BiLSTM分类器，获得初始航迹关联模型。
8.根据权利要求3所述的航迹关联方法，其特征在于，所述初始航迹关联模型包括输入层、隐藏层、输出层和CNN-BiLSTM分类器；
所述输入层包括卷积层；
所述隐藏层包括BiLSTM模型；
所述输出层包括全连接层和softmax函数；
所述卷积层通过ReLU激活函数与BiLSTM模型连接；所述BiLSTM模型与全连接层连接；所述全连接层通过ReLU激活函数与Softmax函数连接；
所述Softmax函数与CNN-BiLSTM分类器连接。
9.根据权利要求3所述的航迹关联方法，其特征在于，所述预设存储方式具体包括：采用python字典，以key-value键值对形式对航迹数据集中的航迹数据进行存储；其中，key代表航迹目标，value代表存储所需的航迹目标特征。
10.一种航迹关联装置，其特征在于，包括：
数据采集单元，用于采集多源航迹数据，并对多源航迹数据进行数据清洗、特征处理、数据补全和相似性度量处理，获取待分析航迹数据集；
航迹关联分析单元，用于构建CNN和Bilstm联合模型，并对所述联合模型进行训练，获得预设航迹关联模型，以及将所述待分析航迹数据集输入预设航迹关联模型进行时空关联的航迹有效关联融合分析，获得初始航迹关联分析结果；
结果评估模块，用于依据预设衡量指标对初始航迹关联分析结果进行评估处理，获得最终的航迹有效关联结果。
CN202310710837.4A 2023-06-15 2023-06-15 一种航迹关联方法及装置 Active CN116451177B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310710837.4A CN116451177B (zh) 2023-06-15 2023-06-15 一种航迹关联方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310710837.4A CN116451177B (zh) 2023-06-15 2023-06-15 一种航迹关联方法及装置

Publications (2)

Publication Number Publication Date
CN116451177A true CN116451177A (zh) 2023-07-18
CN116451177B CN116451177B (zh) 2023-09-12

Family

ID=87122298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310710837.4A Active CN116451177B (zh) 2023-06-15 2023-06-15 一种航迹关联方法及装置

Country Status (1)

Country Link
CN (1) CN116451177B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109000645A (zh) * 2018-04-26 2018-12-14 西南电子技术研究所（中国电子科技集团公司第十研究所） 复杂环境目标经典航迹提取方法
CN110188827A (zh) * 2019-05-29 2019-08-30 创意信息技术股份有限公司 一种基于卷积神经网络和递归自动编码器模型的场景识别方法
CN110188775A (zh) * 2019-05-28 2019-08-30 创意信息技术股份有限公司 一种基于联合神经网络模型的图像内容描述自动生成方法
CN112001433A (zh) * 2020-08-12 2020-11-27 西安交通大学 一种航迹关联方法、系统、设备及可读取存储介质
CN113221449A (zh) * 2021-04-27 2021-08-06 中国科学院国家空间科学中心 一种基于最优策略学习的船舶航迹实时预测方法及系统
CN114090718A (zh) * 2022-01-11 2022-02-25 中国人民解放军海军工程大学 基于Bi-LSTM预测与模糊分析的中断航迹关联方法
CN114154619A (zh) * 2021-11-15 2022-03-08 哈尔滨工程大学 一种基于cnn和bilstm的船舶轨迹预测方法
CN115754954A (zh) * 2022-10-21 2023-03-07 江苏科技大学 一种应用于雷达与ais航迹关联的特征融合方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109000645A (zh) * 2018-04-26 2018-12-14 西南电子技术研究所（中国电子科技集团公司第十研究所） 复杂环境目标经典航迹提取方法
CN110188775A (zh) * 2019-05-28 2019-08-30 创意信息技术股份有限公司 一种基于联合神经网络模型的图像内容描述自动生成方法
CN110188827A (zh) * 2019-05-29 2019-08-30 创意信息技术股份有限公司 一种基于卷积神经网络和递归自动编码器模型的场景识别方法
CN112001433A (zh) * 2020-08-12 2020-11-27 西安交通大学 一种航迹关联方法、系统、设备及可读取存储介质
CN113221449A (zh) * 2021-04-27 2021-08-06 中国科学院国家空间科学中心 一种基于最优策略学习的船舶航迹实时预测方法及系统
CN114154619A (zh) * 2021-11-15 2022-03-08 哈尔滨工程大学 一种基于cnn和bilstm的船舶轨迹预测方法
CN114090718A (zh) * 2022-01-11 2022-02-25 中国人民解放军海军工程大学 基于Bi-LSTM预测与模糊分析的中断航迹关联方法
CN115754954A (zh) * 2022-10-21 2023-03-07 江苏科技大学 一种应用于雷达与ais航迹关联的特征融合方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
TUO SUN等: "Bidirectional Spatial-Temporal Network for Traffic Prediction with Multi-source Data", 《TRANSPORTATION RESEARCH RECORD JOURNAL OF THE TRANSPORTATION RESEARCH BOARD》, pages 1 - 12 *
ZHEN H等: "A Hybrid Deep Learning Model and Comparison for Wind Power Forecasting Considering Temporal-Spatial Feature Extraction", 《SUSTAINABILITY》, pages 1 - 24 *
丁建立;黄天镜;徐俊洁;王静;: "基于时间序列的多维距离聚类异常检测方法", 计算机工程与设计, no. 07, pages 143 - 148 *
刘姗姗等: "基于CNN和Bi-LSTM的船舶航迹预测", 《重庆理工大学学报：自然科学》, pages 196 - 205 *
张垚釩: "基于神经网络的水下航迹融合研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》, pages 032 - 68 *

Also Published As

Publication number Publication date
CN116451177B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN108254741B (zh) 基于循环神经网络的目标航迹预测方法
CN103471591B (zh) 基于逻辑法、全局最近邻和目标航向信息的机动多目标数据互联方法
CN112232450B (zh) 一种综合多阶段的难例样本挖掘方法、目标检测方法
CN105761276B (zh) 基于迭代ransac自适应新生目标强度估计的gm-phd多目标跟踪方法
CN103353988B (zh) 异源sar景象特征匹配算法性能评估方法
CN111240350A (zh) 一种无人机飞行员动态行为评估系统
CN115761534A (zh) 一种空中背景下红外无人机小目标检测及跟踪方法
CN113822201B (zh) 基于流场速度分量时程的水下物体外形识别的深度学习方法
CN112986950A (zh) 基于深度学习的单脉冲激光雷达回波特征提取方法
CN117688313A (zh) 一种网络协同处理测绘数据的方法
CN113901927A (zh) 一种基于流场压力时程的水下物体外形识别方法
CN118228923A (zh) 基于多尺度和多维度的水域污染预测方法
CN116451177B (zh) 一种航迹关联方法及装置
CN106874928A (zh) 跟踪目标突发关键事件自动判决方法及系统
Wang et al. Learning embedding features based on multisense-scaled attention architecture to improve the predictive performance of air combat intention recognition
Yongcui Situation awareness and target recognition of marine big data battlefield based on deep learning
CN114063063A (zh) 基于合成孔径雷达和点状传感器的地质灾害监测方法
CN115147385A (zh) 一种航空孔探视频中重复损伤的智能检测和判定方法
Han et al. Clutter distribution identification based on anderson-darling test
CN111811515A (zh) 一种基于高斯混合概率假设密度滤波器的多目标航迹提取方法
Ziyan et al. The research of electronic countermeasure intelligence correlation analysis based on machine learning
CN111881125A (zh) 一种海上非作战目标实时清洗方法及系统
Pang et al. Detecting continual anomalies in monitoring data stream based on sampling GPR algorithm
CN117272245B (zh) 一种风机齿轮箱温度预测方法、装置、设备和介质
Su et al. An improved measurement-oriented marginal multi-Bernoulli/Poisson filter

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant